شبکه عصبی فازی

  • مرجع اصلی جعبه ابزار شبکه عصبی (Neural network toolbox ) نرم افزار متلب

    مرجع اصلی جعبه ابزار شبکه عصبی (Neural network toolbox ) نرم افزار متلب

    بهترین کتابی که درباره شبکه های عصبی می توانید پیدا کنید به اسم Neural network design  اثر پروفسور Hagan است. حتما پيشنهاد مي كنم اين كتاب روان را بخوانيد. Neural network toolbox مطلب هم براساس اين كتاب نوشته شده است. این کتاب توسط انتشارات کیان رایانه، آقای سید مصطفی کیا ترجمه نیز شده است که چندان ترجمه قوی نیست اگرچه شنیده ها حاکی است تعدادی از اساتید دانشگاه نیز این کتاب را ترجمه کرده اند. سايت زير متعلق به آقاي Hagan است. http://hagan.okstate.edu/nnd.html در اين سايت پاورپوينت و خلاصه‌ايي از چند فصل اين كتاب موجود است. لینک دانلود کتاباصل کتاب را نیز می توانید از سایت زیر به صورت رایگان دانلود کنید.http://www.gigapedia.com



  • شبکه های عصبی معروف (دستور Network)

    در این مقاله شبکه های عصبی معروف، معرفی میگردند. توجه کنید که این شبکه ها با دستور network بصورت سفارشی در نرم افزار MATLAB ایجاد میشوند.شبکه instarشبکه outstarشبکه هاپفیلد (Hopfield Network)شبکه المان (Eleman Network)شبکه کوهونن ()شبکه آدالاین (ADALINE)شبکه مادالاین (MADALINE Network)شبکه همینگ (Hamming Network)شبکه پس انتشار (Back Propagation Network)شبکه گراسبرگ (Grossberg Network)شبکه ویزارد (Wisard Network)شبکه برگشتی (Recurrent Network)شبکه شعاع مبنا (Radial Basis Network)شبکه عصبی احتمالی (Probabilistic Neural Network)شبکه عصبی رگرسیون عمومی (General Regression Neural Network)شبکه NARMAشبكه تاخير زماني ( TDNN: Time Delay Neural Network)شبكه استاتيك MLP شبكه Quasi-Dynamic

  • کلاس شبکه عصبی، فازی و ژنتیک الگوریتم با MATLAB در جهاد دانشگاهی امیرکبیر

    کلاس تخصصی شبکه عصبی، فازی ژنتیک الگوریتم با MATLABجهت ثبت نام در کلاس  با جهاد دانشگاهی امیرکبیر به شماره زیر تماس بگیرید:88895969 خانم احمدی- جهاد دانشگاهی امیرکبیرزمان تشکیل کلاس ها: ابتدای هر فصل در روزهای پنج شنبه از ساعت 8 تا 12 و یا 12 تا 16سرفصل ها1- مقدمات شامل کار با توابع2- دو جلسه شبکه عصبی3- دو جلسه فازی4- دو جلسه ژنتیک الگوریتم5- یک جلسه پردازش تصویرجزوه مقدماتی کلاس را نیز می توانید از سایت زیر دانلود نمائیدhttp://mathworks.ir/persian-ebooks/295-neural-network-fuzzy-ga

  • جزوه درس شبکه عصبی دکتر محمد تشنه لب

    جزوه درس شبکه عصبی دکتر محمد تشنه لب

    جزوه درس شبکه عصبی دکتر محمد تشنه لب - این وبلاگ به طور تخصصی به موضوع شبکه های عصبی، فازی و ژنتیک الگوریتم در نرم افزار مطلب می پردازد."> شبکه عصبی، فازی و ژنتیک الگوتیم در متلب - جزوه درس شبکه عصبی دکتر محمد تشنه لبشبکه عصبی، فازی و ژنتیک الگوتیم در متلب این وبلاگ به طور تخصصی به موضوع شبکه های عصبی، فازی و ژنتیک الگوریتم در نرم افزار مطلب می پردازد. جزوه درس شبکه عصبی دکتر محمد تشنه لب جزوه درس شبکه عصبی دکتر محمد تشنه لب استاد دانشکده برق دانشگاه خواجه نصیر طوسی در لینک زیر قرار داده شده است.http://mathworks.ir/persian-ebooks/169-matlabnetworkneuraltutorial فهرست مطالب و لینک دریافت این مجموعه اسلاید آموزشی: فصل اول : مقدمه ای بر شبکه هاي عصبي فصل دوم : ارائه ساختارهای مختلف شبکه هاي عصبي فصل سوم : ارائه مفاهیم پایه در آموزش شبکه هاي عصبي بر اساس الگوریتم پس انتشار خطا فصل چهارم : بررسي روشهاي مختلف آموزش در شبکه هاي عصبي فصل پنجم : بهبود الگوریتم پس انتشار خطا فصل ششم : شبکه هاي عصبي بازگشتی فصل هفتم : شبكه هاي حافظه دار و گاما فصل هشتم : شبکه های عصبی مدل مخچه فصل نهم : شبکه عصبی بیزین فصل دهم : شبکه عصبی مثلثاتی فصل یازدهم : شبکه عصبی ویولت فصل دوازدهم : شبکه عصبی کانولوشنال فصل سیزدهم : کاربرد شبکه های عصبی در شناسایی، پیش بینی و کنترل سیستم ها

  • آموزش دسته ای (batch training) اموزش افزایشی (Increasing training)

    دو دستور train و adapt‌ در مطلب جهت آموزش یک شبکه عصبی بکار می روند جهت درک این دو دستور به دو مثال زیر دقت کنید:دستور batch با هر ورودی، وزن ها و بایاس را به روز می کند (batch training)clearclcWo=[0 0];bo=0;alfa=.01;p=[[1;2] [2;1] [2;3] [3;1]];t=[4 5 7 7];%use error , weight and bias in each iterationfor j=1:2for i=1:4    a(i)=Wo*p(:,i)+bo;    e=t(:,i)-a(i);    Wo=Wo+alfa*e*p(:,i)';    bo=bo+alfa*e;endendاما دستور train‌ به روش Increasing training اموزش می دهد یعنی پس اتمام یک گذر از ورودی ها، وزن ها و بایاس ها را به روز می کندclearclcWo=[0 0];bo=0;Wn=[0 0];bn=0;alfa=.01;p=[[1;2] [2;1] [2;3] [3;1]];t=[4 5 7 7];for j=1:2for i=1:4    a(i)=Wn*p(:,i)+bn;    e=t(:,i)-a(i);    Wo=Wo+alfa*e*p(:,i)';    bo=bo+alfa*e;end   Wn=Wo;   bn=bo;end

  • ساخت شبکه عصبی چند لایه با دستور newff

    در برنامه زیر نحوه ساخت شبکه عصبی چند لایه ارائه شده است: در این برنامه ورودی دو متغیر با چهار دسته جواب گرفته شده و خروجی تک متغیره آن نیز وارد می شود سپس با دستور newff شبکه عصبی دو لایه ساخته شده است. سپس با دستور train شبکه عصبی اموزش داده شده است. در نهایت جواب با دستور sim  مشاهده شده است.P = [ -1 -1 2 2 ;0 5 0 5]; T = [-1 -1 1 1]; net = newff( minmax(P),[3 1],{'tansig','purelin'}, 'traingd'];[net, tr]= train(net, P, T); a = sim(net, P);

  • روش Model Reference Adaptive Control یا MRAC در سیمولینک

    روش Model Reference Adaptive Control یا MRAC در سیمولینک

    یکی از روش های کنترلی سیمولینک در بخش شبکه عصبی، روش Model Reference Adaptive Control یا MRAC  است. در این قسمت به این موضوع پرداخته میشود.یکی از ساختارهای کلی این شبکه ی عصبی به صورت زیر است:منبع:http://www.pages.drexel.edu/~kws23/tutorials/MRAC/MRAC.html

  • کاربرد شبکه عصبی در کنترل تطبیقی

    طبق نظر ویکی پدیا کنترل تطبیقی عبارت است از:هدف از استفاده از کنترل تطبیقی (به انگلیسی: Adaptive control) آن است که کنترلر طراحی شده بدین روش، بتواند در مقابل تغییرات آرام در سیستم و همچنین خطاهای مدل‌سازی پاسخ مناسب بدهد. ‫تفاوت کنترل تطبیقی و کنترل مقاوم آن است که در کنترل تطبیقی نیازی به دانستن بازه کاری سیستم و یا میزان خطای پارامترها نیست. به عبارتی، طراحی از دیدگاه کنترل مقاوم به کنترلری می‌انجامد که در بازه مشخصی به پایداری سیستم می‌انجامد بدون آنکه نیازی به تغییر قوانین کنترلی باشد، ولی، با روش کنترل تطبیقی می‌توان قوانین کنترلی را به گونه‌ای با تغییر شرایط تطبیق داد که سیستم پایدار شود. کنترل تطبیقی به دو روش مستقیم وغیر مستقیم تقسیم بندی می شود که امروزه اکثر مقالات بر روی کنترل تطبیقی مستقیم تمرکز دارد.جهت اطلاع بیشتر از این نوع کنترل به کتاب فارسی زیر مراجعه کنید (نویسنده استروم):کتاب انگلیسی استروم نیز در سایت زیر جهت دانلود وجود دارد:http://space4u.blogfa.com/post-21.aspxبا توجه به اینکه یکی از موارد مهم در کنترل تطبیقی، شناسایی سیستم است لذا شبکهی عصبی در این راستا بسیار کاربردی و موثر میباشد. روشهای ارائه شده در جعبه ابزار متلب و سیمولینک نیز بر این مبنا منطبق هستند.